Tăng cường dữ liệu (Data augmentation) là một phương pháp trong trí tuệ nhân tạo (AI) để tạo thêm dữ liệu huấn luyện bằng cách áp dụng các biến đổi nhỏ lên dữ liệu hiện có. Phương pháp này giúp mô hình học được các biến thể khác nhau của dữ liệu và tăng khả năng tổng quát hóa của mô hình. Dưới đây là một số phương pháp tăng cường dữ liệu phổ biến trong AI:
- Xoay (Rotation): Xoay hình ảnh một góc nhất định để tạo ra các góc nhìn khác nhau của đối tượng trong hình ảnh.
- Thu phóng (Scaling): Thay đổi kích thước hình ảnh bằng cách phóng to hoặc thu nhỏ để tạo ra các phiên bản khác nhau của đối tượng.
- Cắt tỉa (Cropping): Cắt ra một phần của hình ảnh gốc để tạo ra các phần cắt khác nhau, giúp mô hình học được khả năng nhận diện đối tượng trong các tình huống khác nhau.
- Lật ngang và lật dọc (Horizontal and Vertical Flipping): Lật hình ảnh theo chiều ngang hoặc chiều dọc để tạo ra các phiên bản đối xứng khác nhau.
- Thay đổi ánh sáng (Brightness, Contrast, Saturation): Thay đổi mức độ sáng, độ tương phản và độ bão hòa màu sắc trong hình ảnh để tạo ra các phiên bản có sự khác biệt về ánh sáng và màu sắc.
- Tạp nhiễu (Noise Injection): Thêm tạp âm hoặc nhiễu vào hình ảnh để tạo ra các phiên bản khác nhau và giúp mô hình chịu được nhiễu môi trường.
- Biến đổi hình học (Geometric Transformation): Áp dụng các biến đổi hình học như biến dạng, biến đổi tịnh tiến, xoay ngược để tạo ra các phiên bản khác nhau của đối tượng trong hình ảnh.
- Kết hợp các phương pháp: Các phương pháp tăng cường dữ liệu có thể được kết hợp để tạo ra sự đa dạng lớn hơn trong dữ liệu huấn luyện.
Tăng cường dữ liệu là một phương pháp hữu ích để tăng hiệu suất và khả năng tổng quát hóa của mô hình AI. Bằng cách áp dụng các biến đổi nhỏ lên dữ liệu huấn luyện, mô hình có thể học được các biến thể và điều kiện khác nhau của dữ liệu thực tế. Điều này giúp giảm hiện tượng quá khớp (overfitting) và cải thiện khả năng ánh xạ của mô hình đối với các dữ liệu mới.